No fluff.
Just what works.
Technical articles on building AI systems that run in production. Architecture decisions, code, lessons learned.
KI in 90 Tagen einführen – ohne Großprojekt
von Denis Shokhirev, Enterprise AI Architect aus Freiburg im Breisgau. Mein Stack: Claude, Supabase, n8n, Doppler, Postgres. Ich begleite DACH-B2B-Unternehmen bei der Einführung produktiver KI-Systeme. Ein Beispiel aus der Praxis: Ein Kunde verlor vier hochwertige Anfragen über das Wochenende, weil kein Mitarbeiter den Posteingang kontrollierte – solche Verluste entstehen nicht durch Technologie, sondern durch fehlende Automatisierung an der richtigen Stelle. Warum 90 Tage? Was für den Mittels
Introducing AI in 90 days without a big-bang project
I’m Denis Shokhirev, Agentic AI Systems Architect based in Freiburg im Breisgau, Germany. My stack is Claude, Supabase, n8n, Doppler, and self-hosted Postgres. I build agent systems for B2B clients in logistics, fintech, and industrial automation. Last month, a client lost four lucrative leads over a holiday weekend—not because of tech, but because nobody saw the incoming forms in time. That’s not a demo problem. That’s a business problem. Why 90 days? Business reality vs. AI hype In the DACH
Как внедрить ИИ за 90 дней без большого проекта
Я — Денис Шохирев, архитектор агентных AI-систем из Фрайбурга. Мой стек — Claude, Supabase, n8n, Doppler, self-hosted Postgres. Внедряю решения для B2B-клиентов в DACH: транспорт, финтех, индустриальная автоматизация. Недавно клиент потерял 4 крупных лида за выходные — заявки с веб-формы просто никто не увидел вовремя. Вот где нужна не демо, а реальная автоматизация. Зачем 90 дней, а не год: реальность бизнеса В Европе проекты на год и миллион евро могут позволить себе только корпорации. Для
Was ein KI-Telefonassistent wirklich kostet
von Denis Shokhirev, Enterprise AI Architect aus Freiburg im Breisgau. In meiner Rolle bei DennisCraft AI Studio implementiere ich produktive KI-Systeme für DACH-B2B-Kunden – nicht als Demo, sondern im Live-Betrieb. Mein Stack: Claude, Supabase, n8n, Doppler, selbstgehostetes Postgres. In diesem Beitrag zeige ich anhand echter Zahlen, was ein KI-Telefonassistent im regulierten deutschen Markt wirklich kostet – und wann sich das Investment lohnt. Warum Unternehmer nach KI am Telefon fragen Wen
What an AI phone assistant actually costs
I’m Denis Shokhirev, Agentic AI Systems Architect based in Freiburg im Breisgau, Germany. At DennisCraft AI Studio, I deploy AI systems for DACH B2B clients—production deployments, not demos. My stack: Claude, Supabase, n8n, Doppler, and self-hosted Postgres. Here's what it really costs to run an AI phone assistant in a regulated European market, with numbers from live projects, not product pitches. Why owners want an AI on the phone For businesses with 20–200 employees, missed calls are expe
Сколько на самом деле стоит AI-ассистент на телефоне
Я Денис Шохирев, архитектор агентных AI-систем из Фрайбурга и основатель DennisCraft AI Studio. Здесь, в DACH, я внедряю AI-ассистентов в телефонные линии реальных компаний — не в демо, а в продакшен, где клиент может наблюдать статус в реальном времени на live.gerdennisai.com. Стек — Claude, Supabase, n8n, Doppler, self-hosted Postgres. В этой статье разберу с цифрами, сколько на самом деле стоит телефонный AI-ассистент в продакшене, а не в презентации для инвесторов. Почему владельцы бизнеса
Wie Sie Kontrollverlust über KI-Agenten verhindern: Lokale Memory-Layer für private Multi-Agent-Systeme
von Denis Shokhirev, Enterprise AI Architect aus Freiburg im Breisgau. In meinem Studio DennisCraft AI baue und betreibe ich produktive Multi-Agenten-Systeme für DACH-B2B-Kunden in Logistik, Fintech und Industrie. Der verwendete Stack: Claude, Supabase, n8n, Doppler und selbst gehostetes Postgres. Im produktiven Alltag zeigt sich immer wieder ein zentrales Problem: KI-Agenten verlieren den Kontext, agieren inkonsistent, wiederholen Fehler oder geraten in Endlosschleifen. Genau dann, wenn Complia
How to Avoid Losing Control Over AI Agents: New Local-First Memory Layer for Private Multi-Agent Systems
I’m Denis Shokhirev, Agentic AI Systems Architect based in Freiburg, Germany, and founder of DennisCraft AI Studio. My stack: Claude, Supabase, n8n, Doppler, and self-hosted Postgres. In production—especially for DACH B2B logistics and fintech—I’ve repeatedly seen multi-agent systems lose context, repeat the same failing actions, and drift out of compliance. It’s never in the demo, always in the first month of real traffic. Why Standard Agent Memory Patterns Fail in Private, Regulated Systems
Как избежать потери контроля над ИИ-агентами: новый слой памяти для приватных multi-agent систем
Я — Денис Шохирев, занимаюсь проектированием и эксплуатацией автономных multi-agent AI-систем в DennisCraft AI Studio (Фрайбург, Германия). Мой стек: Claude, Supabase, n8n, Doppler, self-hosted Postgres. В продакшене, а не на демо, часто вижу одну и ту же боль: агенты теряют контекст, начинают повторять одни и те же ошибки, генерировать «галлюцинации» или даже нарушать регламенты. Особенно критично для b2b-клиентов в DACH — логистика, финтех, промышленные процессы. Почему стандартные подходы к
Anthropic bringt MHS: Claude steuert jetzt reale Maschinen (Roboter, Mikroskope, Laser) – was sich für Unternehmen und Sicherheit ändert
von Denis Shokhirev, Enterprise AI Architect aus Freiburg im Breisgau. Ich liefere agentenbasierte KI-Systeme für DACH-B2B-Kunden – nicht als Demo, sondern produktiv: Claude, Supabase, n8n, Doppler, selbstgehostetes Postgres. Spätestens wenn der Kunde fragt, wie KI künftig reale Maschinen steuert und was das für Sicherheit bedeutet, ist die Komfortzone vorbei. Was ist das MHS von Anthropic – und warum ist es relevant? Mit dem Machine Handling Standard (MHS) hat Anthropic einen Rahmen geschaff
Anthropic launches MHS: Claude can now control real-world hardware (robots, microscopes, lasers) — what this changes for business and security
I’m Denis Shokhirev, Agentic AI Systems Architect based in Freiburg. At DennisCraft AI Studio, I run production multi-agent deployments for DACH B2B clients (logistics, fintech, industrial automation) using Claude, Supabase, n8n, Doppler, and self-hosted Postgres. For months, clients have asked—when will LLMs move from demo API calls to actually controlling physical machines, and what does that mean for risk? What is Anthropic MHS and why does it matter? Anthropic’s Machine Handling Standard
Anthropic запускает стандарт MHS: теперь Claude управляет реальным оборудованием (роботы, микроскопы, лазеры) — что это меняет для бизнеса и безопасности
Я — Денис Шохирев, архитектор агентных AI-систем из Фрайбурга, управляю DennisCraft AI Studio и внедряю автономные multi-agent решения на стеке Claude, Supabase, n8n, Doppler, self-hosted Postgres для B2B в DACH. В продакшене — не в демо — я сталкиваюсь с одной и той же точкой риска: что произойдет, когда LLM получит реальный доступ к оборудованию, а не только к API? Что такое Anthropic MHS и почему это важно Anthropic тихо запустила Machine Handling Standard (MHS) — спецификацию, которая поз
Wie Sie KI-Agenten produktive Erinnerung geben: 90 % Token-Ersparnis ohne Qualitätsverlust (graymatter, mcp-memory-service)
von Denis Shokhirev, Enterprise AI Architect aus Freiburg im Breisgau. Ich entwickle bei DennisCraft AI Studio KI-Agenten für DACH-B2B-Kunden in Logistik, Fintech und Industrieautomation. Mein Stack: Claude, Supabase, n8n, Doppler und selbst gehostetes Postgres. Die größte produktive Herausforderung: Eine Agenten-Erinnerung, die Kosten spart und die Stabilität nicht gefährdet. Produktionsproblem: Erinnerung frisst Token-Budget Ohne Erinnerung wiederholen Agenten Aufgaben, ignorieren Vorgaben
How to Give AI Agents Real Working Memory: 90% Token Savings Without Quality Loss (graymatter, mcp-memory-service)
I'm Denis Shokhirev, Agentic AI Systems Architect based in Freiburg im Breisgau, Germany. At DennisCraft AI Studio, I deliver agentic AI for DACH B2B clients in logistics, fintech, and industrial automation. My stack: Claude, Supabase, n8n, Doppler, self-hosted Postgres. The biggest pain in production? Giving agents memory that doesn't inflate token bills or degrade reliability. The Real Memory Problem in Production Agents If your agent forgets, it repeats tasks, ignores constraints, and make
Как дать AI-агентам память, которая реально работает: 90% экономии токенов и никаких потерь качества (graymatter, mcp-memory-service)
Я — Denis Shokhirev, Agentic AI Systems Architect из Фрайбурга. В DennisCraft AI Studio я внедряю AI для DACH B2B-клиентов (логистика, финтех, промышленная автоматизация). Мой стек: Claude, Supabase, n8n, Doppler и self-hosted Postgres. На проде агенты стабильно обрабатывают заказы, и главная боль — сделать память, которая не убивает токены и не сливает качество. Проблема: память агентов съедает бюджет Когда дело доходит до production AI-агентов, память — не опция, а краеугольный камень. Без
KI-Agenten installieren, starten und testen Ihren Code jetzt selbst – nicht nur Vorschläge. Wie Sie mit Open-Source Goose die Auslieferung tatsächlich beschleunigen
von Denis Shokhirev, Enterprise AI Architect aus Freiburg im Breisgau. Meine Systeme laufen auf Claude, Supabase, n8n, Doppler und selbst gehostetem Postgres. In DACH-B2B-Produktivumgebungen ist die eigentliche Hürde nicht die KI-Codegenerierung – sondern ob ein Agent Ihr Projekt wirklich selbstständig installiert, ausführt, testet und dokumentiert, ohne dass jemand im Team händisch eingreifen muss. Von KI-Codevorschlägen zur autonomen Ausführung: Wo Produktivprojekte scheitern Viele Teams in
AI agents now install, execute, and test your code — not just suggest it. How to use open-source Goose to actually speed up delivery
I’m Denis Shokhirev, Agentic AI Systems Architect, running DennisCraft AI Studio from Freiburg im Breisgau. My stack is Claude, Supabase, n8n, Doppler, and self-hosted Postgres. The real pain in production isn’t whether an LLM can suggest a Python function — it’s whether an agent can set up, install, run, and test the project end-to-end, hands-off, without someone SSH-ing in to unblock a broken build. “AI agent as code suggester” is dead — real delivery bottlenecks are deeper By late 2023 mos
AI-агенты теперь не просто подсказывают код — они сами устанавливают, запускают и тестируют ваши проекты. Как внедрить open-source Goose и реально ускорить delivery
Я — Денис Шохирев, архитектор агентных AI-систем из Фрайбурга. Работаю на стеке Claude, Supabase, n8n, Doppler, self-hosted Postgres. В реальных продакшен-проектах DACH-клиентов больше не обсуждаю “может ли LLM сгенерировать функцию” — вопрос в другом: может ли агент сам всё поставить, собрать, прогнать тесты и зафиксировать результат без ритуалов “вручную добить билд”. Почему “AI-агент = автотестер” уже устарело В 2023-2024 году большинство команд внедряли LLM как ассистента: предложить код,
Warum 90% der KI-Agenten-Frameworks im Produktivbetrieb scheitern: So wählen Sie ein wirklich stabiles System
von Denis Shokhirev, Enterprise AI Architect aus Freiburg im Breisgau. In meinem DennisCraft AI Studio entwickle und betreibe ich produktive, autonome Multi-Agenten-Systeme für B2B-Kunden im DACH-Raum (Logistik, FinTech, Industrie). Mein bewährter Stack: Claude, Supabase, n8n, Doppler, selbst gehostetes Postgres. Eine meiner Agenten-Plattformen läuft live und ist öffentlich einsehbar: live.gerdennisai.com. Was im Produktivbetrieb nicht hält, fällt sofort auf – und das passiert bei 90% der Framew
Why 90% of AI Agent Frameworks Fail in Production: How to Pick One That Actually Works
I’m Denis Shokhirev, Agentic AI Systems Architect based in Freiburg im Breisgau, Germany. At DennisCraft AI Studio, I ship autonomous multi-agent systems for DACH B2B clients in logistics, fintech, and industrial automation. My stack: Claude, Supabase, n8n, Doppler, and self-hosted Postgres. One of my agent platforms runs 24/7 in production—publicly observable at live.gerdennisai.com. Here’s what’s failed in production—and what actually works. Why Most AI Agent Frameworks Collapse in Productio